APP Store案例数据分析

1. 数据清洗

示例代码：

import pandas as pd#  读取数据
app = pd.read_csv('../data/excel_data/applestore.csv')
app.info()

#发现了unname 0这个奇怪的变量，需要进行清理
app.drop('Unnamed: 0', axis=1, inplace=True)
#drop默认是对行
#inplace表示直接替换掉原有数据
#同样可以用位置来举
#app.drop(app.columns[0],axis=1,inplace=True)
app.head()

# 考虑将sizebytes变成mb，新增数据
app['size_mb'] = app['size_bytes'] / (1024 * 1024.0)
app.size_mb.describe()

# 根据价格新增标签
app['paid'] = app['price'].apply(lambda x: 1 if x > 0 else 0)
#lambda阐述规则，X为price，为paid赋值，即当price＞0，paid为1，其他情况下，paid为0
app.paid.describe()

2. 单变量分析

示例代码：

#value_counts (price,prime_genre)
#value_Coutn只能对应series，不能对整个dataframe做操作
app.price.value_counts()

# 价格>50的比较少
#数据的快速分组
bins = [0,2,10,300]
labels = [  '<2', '<10','<300']
app['price_new'] = pd.cut(app.price, bins, right=False, labels=labels)
#分组后查看数据分布情况
app.groupby(['price_new'])['price'].describe()

# groupby的操作,不同类别app的价格分布
app.groupby(['prime_genre'])['price'].describe()

#删除价格大于等于49.99的app
app=app[app['price']<=49.99]#评论情况分析
app.rating_count_tot.describe()

#对用户打分的分组
bins = [0,1000,5000,100000,5000000]
app['rating_new']=pd.cut(app.rating_count_tot, bins, right=False)#用户打分和价格的关系
app.groupby(['rating_new'])['price'].describe()

3. 业务数据可视化

示例代码：

#可视化部分
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
#app评分关系
plt.figure(figsize=(30,20))#调整大小
sns.relplot(x="prime_genre", y="user_rating",kind='line', data=app) #折线图

app1=app[app['price']<=9.99]
#直方图，APP价格的分布
sns.distplot(app1['price'])

#箱线图，不同类别APP价格
plt.figure(figsize=(10,8))#调整大小
sns.boxplot(x='price',y='prime_genre',data=app[app['paid']==1]) # 价格绝大部分都集中在9.99美元以内，个别类别（如医疗）等因专业性总体价格会高于其他类别

#散点图，价格和用户评分的分布
sns.scatterplot(x='price',y='user_rating',data=app)

#只保留五个类别数据
top5= ['Games','Entertainment', 'Education', 'Photo & Video', 'Utilities']
app5 = app[app.prime_genre.isin(top5)]#柱状图，前5个类别app的用户评分均值
#同一类别，将免费和付费的评分进行对比
plt.figure(figsize=(10,8))
sns.barplot(x='prime_genre',y='user_rating',hue='paid',data=app5)

#使用countplot--count是对数据加总，plot将数据进行可视化
#使用order对数据进行排序plt.figure(figsize=(20,10))
sns.countplot(y='prime_genre',hue='paid',data=app,order=app['prime_genre'].value_counts().index)
plt.tick_params(labelsize=20)

#  免费与收费的APP在不同评分区间的分布
bins=[0,0.1,2.5,4.5,5]
app['rating_level']=pd.cut(app.user_rating,bins,right=False)
app.groupby(['rating_level'])['user_rating'].describe()

sns.countplot(x='paid',hue='rating_level',data=app)

#  APP的大小和用户评分之间的关系
q4=['user_rating','price','size_mb']
app[q4].corr()

#热力图，展现变量之间两两之间关系的强弱
sns.heatmap(app[q4].corr())  # 大小价格都不和评分没有直接关系，但是价格和大小之间有正相关关系

APP Store案例数据分析相关推荐

案例 APP Store 数据分析
1 案例介绍案例背景对APP下载和评分数据分析帮助App开发者获取和留存用户通过对应用商店的数据分析为开发人员提供可操作的意见通过数据分析要解决的问题免费和收费的App都集中在哪些类别收费 ...
淘宝APP用户行为数据分析案例(附python代码及注释)
淘宝APP用户行为数据分析案例一．分析背景与目的 1.1背景与数据限制电商平台的最核心的功能就是为买卖双方提供高效和体验良好的交易服务.得益于算法技术的发展,淘宝APP给买方提供了搜索.推荐及广告 ...
重磅推出开发者计划、App Store，赛灵思普及自适应计算的一大步
得开发者得天下.尤其随着AI技术落地趋势加剧,其中大部分创新来自软件应用,市场对软件开发者有着极大需求.因此,无论是互联网公司还是传统的IT厂商都在尝试将开发者沉淀到自己的平台. 作为FPGA的开创者 ...
盘它：上线 2 个月碾压微信、抖音，音遇登顶 App Store 榜幕后的数据真相
在万物互联的大数据时代,伴随着科技变革和产业变革的浪潮,有寒冬凛冽的凋亡,也有光芒四射的新生. 音乐+社交+游戏的巧妙融合,诞生了一款爆款音乐社交产品--音遇,上线不久,就获得了傲人的数据反馈,一跃至 ...
全渠道、多场景、跨平台，App如何借助数据分析渠道流量
随着互联网流量生态的发展,App渠道投放的效率和体验已经得到质的提升,但移动端多场景的数据监测却变得愈发复杂,用户行为往往需要横跨社交媒体.广告推送.扫码触达.应用市场.站内交互等多个场景,如何高效打 ...
出海买量难，游戏类产品如何利用App Store突围？
近年来,在疫情的影响下,海外市场用户对游戏的需求呈上升趋势,游戏市场仍处于持续扩张态势,而广告主们买量渠道繁多,回报却差强人意,究其原因主要是买量渠道受隐私政策影响,导致获客成本上扬. 得益于 App ...
数据科学项目：适用于App Store和Google Play的有利可图的应用配置文件
At Dataquest, we strongly advocate portfolio projects as a means of getting a first data science job ...
App推广：数据分析与渠道质量及17款国内数据分析工具对比
Part 1 如何从数据评估渠道质量 Part 2 国内数据分析工具介绍 Part 3 如何从数据辨别渠道作弊 Part 1.如何从数据评估渠道质量渠道数量过多,鱼龙混杂,想要挑选出合适的优质渠道非 ...
Xcode11 上传苹果卡在Authenticating with the iTunes store 或者transpoter上传卡在正在验证 APP - 正在通过App Store进行认证
目前2020年12月份再用的时候,更新了transpoter,已经完全可以了,以下方法已不管用这里直接借鉴网上案例我自己试成功的方法, Xcode11后,会移除自带的transpoter,我们需要自 ...

APP Store案例数据分析

1. 数据清洗

2. 单变量分析

3. 业务数据可视化

APP Store案例数据分析相关推荐

最新文章

热门文章